CN111639842B - 一种设备健康评估方法、评估***以及设备健康预测方法 - Google Patents

一种设备健康评估方法、评估***以及设备健康预测方法 Download PDF

Info

Publication number
CN111639842B
CN111639842B CN202010431329.9A CN202010431329A CN111639842B CN 111639842 B CN111639842 B CN 111639842B CN 202010431329 A CN202010431329 A CN 202010431329A CN 111639842 B CN111639842 B CN 111639842B
Authority
CN
China
Prior art keywords
evaluation
data
vibration
temperature
equipment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010431329.9A
Other languages
English (en)
Other versions
CN111639842A (zh
Inventor
彭刚
王凯
阮景
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Bohua Automation System Engineering Co ltd
Huazhong University of Science and Technology
Original Assignee
Hubei Bohua Automation System Engineering Co ltd
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hubei Bohua Automation System Engineering Co ltd, Huazhong University of Science and Technology filed Critical Hubei Bohua Automation System Engineering Co ltd
Priority to CN202010431329.9A priority Critical patent/CN111639842B/zh
Publication of CN111639842A publication Critical patent/CN111639842A/zh
Application granted granted Critical
Publication of CN111639842B publication Critical patent/CN111639842B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于设备健康评估与预测领域，具体涉及一种设备健康评估方法、评估***以及设备健康预测方法，包括：在各振动采集时刻同步采集设备上不同振动采集位置的振动数据，并在各温度采集时刻同步采集设备上不同温度采集位置的温度数据；基于所有温度数据得到评估补偿因子；基于所有振动数据，采用振动评估状态模型评估得到评估状态向量，将评估状态向量中各评估状态对应的概率密度加权平均，并采用评估补偿因子补偿加权平均结果，完成设备健康评估。本发明从时间与空间两视角下采集数据，并采用补偿因子对振动评估状态模型的输出补偿，避免现有评估方法对设备关键执行机构工作温度变化具有较强滞后性的问题，提高设备健康评估与预测的准确性。

Description

一种设备健康评估方法、评估***以及设备健康预测方法
技术领域
本发明属于设备健康评估与预测领域，更具体地，涉及一种设备健康评估方法、评估***以及设备健康预测方法。
背景技术
随着工业大数据和人工智能技术的快速发展，工业生产制造朝着智能化方向升级。组成生产***的各个生产设备或环节相互关联、相互影响，一旦其中任何一个设备或环节出现故障，轻则导致***功能失效，影响正常的生产，造成企业重大经济损失，严重时会造成人员安全事故，给国家和人民带来损失。因此，从安全生产和企业经济效益的角度，通过采集工业生产关键设备的运行数据，采用大数据和人工智能技术，对设备进行健康评估与预测是十分必要的。健康评估与预测是对设备健康状态进行实时监控并进行量化评估，并对设备健康进行预测。
目前，设备健康管理技术已经逐渐受到重视，设备关键监测数据中，与设备健康状态密切相关的数据包括温度数据和振动数据。基于设备运行数据，多采用统计分析的方法对设备进行健康评估，该方法虽然比较容易实现，但是局限性较强，过分依赖于人工经验，评估结果的准确率与评估人员的从业经验具有非常大的关联性，并且可移植性差。在以往研究中，主要通过基于轴承振动数据驱动的机器学习模型对设备状态进行评估与预测，分析结果只与振动数据有关，不能及时反映测点温度变化对设备健康状态的影响。另外，现有方法往往采集设备的单点数据(例如设备驱动端的轴承数据)，没有将设备电机、传动机构、执行机构等多点测量的振动数据和温度数据联合起来进行设备健康评估和预测。因此，现有设备健康评估方法存在评估预测精确度不高的问题。
发明内容
本发明提供一种设备健康评估方法、评估***以及设备健康预测方法，用以解决现有设备健康评估与预测方法因未考虑温度的影响而导致评估和预测的精确度不高的技术问题。
本发明解决上述技术问题的技术方案如下：一种设备健康评估方法，其特征在于，包括：
S1、在各振动采集时刻同步采集待评估设备上不同振动采集位置的振动数据，并在各温度采集时刻同步采集该设备上不同温度采集位置的温度数据；
S2、对所有所述温度数据进行均值计算，计算结果作为评估补偿因子；
S3、基于所有所述振动数据，采用已训练的振动评估状态模型，评估得到由各评估状态下的数据样本条数所构成的评估状态向量，将所述评估状态向量中各评估状态对应的概率密度之间加权平均，并采用所述评估补偿因子补偿所述加权平均的结果，得到评估值，完成设备健康评估。
本发明的有益效果是：本发明方法可以实现数据与模型驱动的设备健康评估，由于单采用振动数据对设备健康进行评估，忽略了温度对设备健康的影响，使得评估结果存在偏差，需要采用温度数据对其进行补偿，本发明采用评估补偿因子c对振动评估状态模型的输出进行补偿，能够解决现有设备健康评估方法对设备关键执行机构的工作温度变化具有较强滞后性的问题，提高设备健康评估的准确性。另外，对于温度数据与振动数据不同类别的数据，从时间与空间两个视角下对设备多个监测点分别进行多个不同时刻的数据采集，采集的数据更加全面的反映设备的运行状况，进一步提高健康评估准确性。采用上述数据采集与处理方式并对模型输出进行补偿，有效提高了设备健康评估的准确性。
上述技术方案的基础上，本发明还可以做如下改进。
进一步，相邻两个所述温度采集时刻的时间间距为秒级，相邻两个所述振动采集时刻的时间间距为毫秒级；
所述S1还包括：对所有所述温度数据清洗去噪；对所有所述振动数据清洗以去除异常值。
本发明的进一步有益效果是：对设备关键监测点数据采集，采集方式按不同类别的数据采取不同的时间粒度，对于振动数据等变化频率高的数据，采集时间粒度设定为毫秒级；对于温度数据等变化频率低的数据，采集时间粒度设定为秒级。通过不同时间粒度的数据采集，获得采集周期为秒级的温度数据，获得采样周期为毫秒级的振动数据，每种类型数据的采集点包括多个不同测点，从空间和时间两个视角下，进行设备健康评估和预测，提高了设备健康评估与预测的全面性和可靠性，也克服了仅单一通过秒级(较低的采集频率)数据或通过单一测点数据而影响对设备健康的评估准确性的问题。另外，通过对温度数据进行清洗，以去除噪声，提高设备温度数据的质量，进而提高后续通过补偿而得到的评估结果的准确性。
进一步，所述振动评估状态模型为通过基于设备振动数据训练集对CatBoost模型训练而得到。
进一步，在所述振动评估状态模型的训练过程中，采用萤火虫算法，将模型学习率参数以及树的最大深度参数构成一个向量，该向量代表萤火虫的位置，定义目标函数，该目标函数的输入为所述萤火虫的位置、输出为振动评估状态模型的评价标准，通过迭代计算，同步得到所述学习率参数以及所述树的最大深度参数的最优解。
本发明的进一步有益效果是：影响振动评估状态模型性能的关键参数有学习率learnning_rate和树的最大深度depth，这两个参数具体的影响随着数据的不同而有差异，为了让振动评估状态模型进行健康评估与预测时对不同的数据能自动调节参数，采用基于萤火虫算法优化振动评估状态模型参数的方法，达到了在不同数据情况下，振动评估状态模型能自动匹配出最佳的训练参数的目的，提高了振动评估状态模型评估与预测算法的适应性。另外，使用FA(Firefly Algorithm，萤火虫算法)对振动评估状态模型的2个关键参数：学习率learnning_rate和树的最大深度depth进行优化，同时得到最优的2个关键参数，而不是逐个参数进行优化，提高了优化效率。
进一步，所述S3中，将所述评估状态向量中各评估状态对应的概率密度加权平均之前，根据所述评估状态向量中每种评估状态的概率密度以及模型诊断误差率，从所述评估状态向量中过滤掉部分评估状态及其对应的数据样本条数，得到新的评估状态向量。
本发明的进一步有益效果是：在加权平均之前，先进行过滤，进一步提高评估的准确性。
进一步，所述S3中，采用所述评估补偿因子补偿所述加权平均的结果，具体为：将所述评估补偿因子与所述加权平均的结果相加，以进行修正；
在所述加权平均中，每个评估状态对应的权重为：所述评估状态向量中该种评估状态的数据样本条数与总数据样本条数的比值；或者，采用基于模糊隶属度的加权平均法确定。
本发明的进一步有益效果是：通过相加的方式进行模型输出的补偿，能够有效解决现有设备健康评估方法对设备关键执行机构的工作温度变化具有较强滞后性的问题，提高设备健康评估的准确性。
进一步，所述S2包括：
对每个温度采集位置下由所有温度采集时刻采集构成的一组温度数据进行标准化处理，其中，将该组温度数据中小于标准值的温度数据转换为0、大于报警值的温度数据转换为1以及介于所述标准值和所述报警值之间的温度数据转换为第一差值与第二差值的比值，所述第一差值为该温度数据和所述标准值的差值，所述第二差值为所述标准值和所述报警值的差值；
对每个温度采集时刻下各温度采集位置的所述标准化后的温度数据之间取平均值，得到该温度采集时刻下的温度数据补偿值；
将每个温度采集时刻下的所述温度数据补偿值与该温度采集时刻下的建议补偿值相乘，并取各该乘积间的平均值作为所述补偿因子。
本发明的进一步有益效果是：采用该种均值计算的方式，能够有效反映设备的温度对应其健康状态的影响，在用于补偿模型评估输出时，补偿效果佳，提高评估准确性。
本发明还提供一种设备健康评估***，包括：
数据采集与处理模块，用于执行如上所述的一种设备健康评估方法中的S1；补偿因子计算模块，用于基于所述数据采集与处理模块得到的所有温度数据，执行如上所述的一种设备健康评估方法中的S2；设备健康评估模型，用于基于所述数据采集与处理模块得到的所有振动数据以及所述补偿因子计算模块得到的评估补偿因子，执行如上所述的一种设备健康评估方法中的S3。
本发明的有益效果是：本发明***包括设备健康评估模型，其在数据采集与处理模块和补偿因子计算模块的辅助下实现数据与模型驱动的设备健康评估，由于单采用振动数据对设备健康进行评估，忽略了温度对设备健康的影响，使得评估结果存在偏差，需要采用温度数据对其进行补偿，本发明设备健康评估模型采用评估补偿因子c对振动评估状态模型的输出进行基于概率密度的加权平均与补偿，能够解决现有设备健康评估方法对设备关键执行机构的工作温度变化具有较强滞后性的问题，提高设备健康评估的准确性。另外，数据采集与处理模块从时间与空间两个视角下对设备多个监测点分别进行多个不同时刻的数据采集，采集的数据更加全面的反映设备的运行状况，进一步提高健康评估准确性。采用上述***有效提高了设备健康评估的准确性。
本发明还提供一种设备健康预测方法，采用如上所述的一种设备健康评估方法，对待预测设备进行多次健康评估，基于所述多次健康评估的结果对所述待预测设备进行健康预测。
本发明的有益效果是：采用上述设备健康评估方法，保证用于健康预测的结果的准确性，进而提高设备健康预测的精确性。
本发明还提供一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现如上所述的一种设备健康评估方法。
附图说明
图1为本发明实施例提供的一种设备健康评估方法的流程框图；
图2为本发明实施例提供的另一种设备健康评估方法的流程图；
图3为本发明实施例提供的基于中值滤波的滑动窗口算法流程图；
图4为本发明实施例提供的高温风机在健康状态下的局部均值分解的效果图；
图5为本发明实施例提供的萤火虫算法优化模型参数的流程示意图；
图6为本发明实施例提供的设备健康状态分类示意图；
图7为本发明实施例提供的数据与模型结合的振动评估状态模型结构示意图；
图8为本发明实施例提供的设备健康评估方法全景图；
图9为本发明实施例提供的设备多个测点示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
一种设备健康评估方法100，如图1所示，包括：
步骤110、在各振动采集时刻同步采集待评估设备上不同振动采集位置的振动数据，并在各温度采集时刻同步采集该设备上不同温度采集位置的温度数据；
步骤120、对所有温度数据进行均值计算，计算结果作为评估补偿因子；
步骤130、基于所有振动数据，采用已训练的振动评估状态模型，评估得到由各评估状态下的数据样本条数所构成的评估状态向量，将评估状态向量中各评估状态对应的概率密度之间加权平均，并采用评估补偿因子补偿加权平均的结果，得到评估值，完成设备健康评估。
用于训练振动评估状态模型的温度和振动数据采集和处理的方法同本实施例评估方法中的数据采集与处理的方法，其中，利用振动信号以及对应的健康评估标签组成训练数据集，对振动评估状态模型进行训练，训练时模型输出的评估状态向量经过本方法的上述加权平均，得到评估值，以用于本实施例评估方法中健康评估的确定。
本实施例方法可以实现数据与模型驱动的设备健康评估与预测，采用评估补偿因子c对振动评估状态模型的输出进行补偿，优选的，振动评估状态模型为通过基于设备振动数据训练集对CatBoost模型训练而得到，进而采用评估补偿因子c对振动评估状态模型的输出进行补偿，则构建得到c-CatBoost模型，将数据结合设备运行模型结合起来，能够解决现有设备健康评估方法对设备关键执行机构的工作温度变化具有较强滞后性的问题，提高设备健康评估的准确性。另外，对于温度数据与振动数据不同类别的数据，从时间与空间两个视角下对设备多个监测点分别进行多个不同时刻的数据采集，采集的数据更加全面的反映设备的运行状况，进一步提高健康评估准确性。
优选的，如图2所示，相邻两个温度采集时刻的时间间距为秒级，相邻两个振动采集时刻的时间间距为毫秒级。
对设备关键监测点数据采集，采集方式按不同类别的数据采取不同的时间粒度，对于振动数据等变化频率高的数据，采集时间粒度设定为毫秒级；对于温度数据等变化频率低的数据，采集时间粒度设定为秒级。进行不同时间粒度的数据采集，获得采集周期为秒级的温度数据，获得采样周期为毫秒级的振动数据，每种类型数据的采集点包括多个不同测点，从空间和时间两个视角下，全面采集设备多个关键测点的监测数据。例如，采集水泥生产行业的高温风机电机轴承温度与振动数据，可每隔15分钟获取一次振动数据，振动数据的时间窗口为1分钟，采样率为2kHz。
需要说明的是，温度采集时刻和振动采集时刻可以相同也可以不同，同样的，温度采集位置和振动采集位置可以相同也可以不同。例如，在同一时刻，采集在设备多点测量的振动数据和温度数据，这将设备电机、传动机构、执行机构等多点测量的振动数据和温度数据联合起来；同时将不同采集周期时间粒度的数据组成起来，既有SCADA***中的秒级温度数据，又有采集频率为1KHz～10KHz的振动数据。从空间和时间两个视角下，进行设备健康评估和预测，提高了设备健康评估与预测的全面性和可靠性，也克服了仅单一通过秒级(较低的采集频率)数据或通过单一测点数据，影响对设备健康的评估准确性问题。
优选的，上述对所有温度数据进行均值计算之前，对所有温度数据清洗去噪。
例如，可采用基于中值滤波的滑动窗口算法进行设备温度数据清洗，提高设备温度数据的质量。其中，基于中值滤波的滑动窗口算法特点是：构造一个固定大小的滑块，滑块沿着温度数据链逐步往下滑动，每滑动一次就对滑块中的温度数据进行重新排序，以排序后温度数据的中值作为该滑块的真实值，然后将滑块以此下移，直到数据链尾部。预设固定滑块大小为3～7个数据单位，例如，所设置的固定滑块大小为5个数据单位，图3展示了基于中值滤波的滑动窗口算法的具体流程。
优选的，上述评估补偿因子的计算方法为：
对每个温度采集位置下由所有温度采集时刻采集构成的一组温度数据进行标准化处理，其中，将该组温度数据中小于标准值的温度数据转换为0、大于报警值的温度数据转换为1以及介于标准值和报警值之间的温度数据转换为第一差值与第二差值的比值，第一差值为该温度数据和标准值的差值，第二差值为标准值和报警值的差值；
对每个温度采集时刻下各温度采集位置的标准化后的温度数据之间取平均值，得到该温度采集时刻下的温度数据补偿值；
将每个温度采集时刻下的所述温度数据补偿值与该温度采集时刻下的建议补偿值相乘，并取各该乘积间的平均值作为评估补偿因子。
例如，高温风机温度数据的特点是数据点分布集中在标准值Ta与报警值Tb之间，少部分点分布在报警值与高报警值之间，极少数点分布在标准值之下并靠近标准值。结合专家知识，温度数据机理模型具体流程如下：
首先，对温度数据按下式对温度数据进行标准化，式中：i表示第i个温度采集时刻。
Figure BDA0002500632310000091
然后，取温度测点标准化值的平均值为该条样本数据的补偿值c，计算方法如下式所示，其中i用于标记不同的数据采集点。具体的，在本实施例中，一共包括7个温度数据采集点：
Figure BDA0002500632310000101
最后，按下式计算补偿因子Fa。
Figure BDA0002500632310000102
其中，sa为该状态下设定的建议补偿值，样本集的补偿值为通过该组样本得到的补偿因子与对应状态的建议补偿值的乘积，n为总的采集次数。
另外，上述基于所有振动数据，采用已训练的振动评估状态模型，得到状态概率向量，可具体为：还采用局部异常因子算法对所有振动数据清洗，并采用局部均值分解算法对清洗后的振动数据进行特征提取，得到振动特征评估集(该对振动数据的处理可以在步骤110也可以在步骤130，在此不做限定)；基于振动特征评估集，采用已训练的振动评估状态模型，得到状态概率向量。
通过计算样本点的“局部异常因子”来判断样本点的异常程度，该值越大，则该点是异常点的可能性越大，该值越接近于1或者小于1，则该点是正常点的可能性越大，采用局部异常因子算法，提高设备振动数据的质量；利用局部均值分解算法进行设备振动数据特征提取，通过不断将原始振动数据进行分解成多个包络信号与纯调频信号的乘积，直到分解之后信号与原始信号的误差函数为单调函数；并选取分解后得到的前k维乘积函数分量作为振动信号的特征量，将提取后的前k维乘积函数分量作为设备振动数据的特征量。
具体的，首先对振动数据进行数据清洗，数据清洗步骤包括：
定义样本点p的k邻域为，数据集中点p和距离点p第k近的点(不包括p)之间的距离。距离的计算可以根据不同数据集的特点，一般默认采用欧几里得距离。将样本点分别记为xi，i＝1，2，3，…，当k＝t时，点xi的k距离为：
Figure BDA0002500632310000111
其中xk＝t代表距离点xi第k近的点。
计算点xi和点xj之间的可达距离为：
RDk(xi，xj)＝max(Dk(xi),||xi-xj||)
假定在点xi的k邻域内一共有N个点，用xN(m),m＝1,2,3…N表示，则点xi的局部可达密度的计算公式为：
Figure BDA0002500632310000112
由下式，就可以进一步得到点xi的局部异常因子：
Figure BDA0002500632310000113
该式的分母是点xi的局部可达密度，分子是点xi的k邻域内所有样本点的局部可达密度的均值，通过比值来判断该点的异常程度。如果点xi的局部可达密度LRDk(xi)越小，点xi的局部异常因子LOFk(xi)越大，则点xi越可能是异常值。如果点xi的局部可达密度LRDk(xi)越大，点xi的局部异常因子LOFk(xi)越接近于1或者小于1，此时点xi是异常值的概率越小。
在数据清洗之后，将清洗后的振动数据进行局部均值分解，分解成多个包络信号与纯调频信号的乘积，直到分解之后信号与原始信号的误差函数为单调函数。具体分解步骤包括：
找到样本点的所有极值点n(i)，并计算相邻极值点之间的平均值m(i)：
Figure BDA0002500632310000114
将所有的m(i)构成的曲线平滑后，就可以得到局部均值函数M11(i)。并根据n(i)，计算包络估计值l(i)：
Figure BDA0002500632310000121
同理，可得包络估计值函数L11(i)。
从X(i)中把M11(i)分离，得到H11(i)：
H11(i)＝X(i)-M11(i)
用L11(i)对H11(i)进一步调制，得到纯调频信号S11(i)：
S11(i)＝H11(i)/L11(i)
理想的S11(i)是纯调频信号，也即要求L11(i)＝1，否则将S11(i)作为新的X(i)，重复上述步骤，直到S11(i)为纯调频信号。将迭代次数记为n，按步骤不断迭代即可以此得到H1n(i)和S1n(i)。
将过程中所产生的所有包络估计值函数相乘，即可得到包络信号L1(i)：
Figure BDA0002500632310000122
于是，由L1(i)和S1n(i)相乘，即可得到第一个PF分量，记为PF1：
PF1(i)＝L1(i)S1n(i)
该分量包含原始信号最高频的信号，其瞬时幅值就是L1(i)，其瞬时频率可由S1n(i)计算得出：
Figure BDA0002500632310000123
PF1从X(i)中分离，得到新的信号u(i)，重复上述步骤，直到um(i)为单调函数，将重复迭代次数记为m。
通过m步分解，将原始信号分解为m维PF分量与一个单调信号um(i)的和：
Figure BDA0002500632310000124
图4展示了高温风机在健康状态下的局部均值分解的效果图，并选取前k维乘积函数分量作为振动信号的特征量，在本实施例中取k＝5。
基于机器学习的方法进行设备健康评估与预测时，诊断效果和准确性依赖于机器学习算法的参数优化，不同的参数训练出来的模型会有差异，如果参数不进行优化或优化效果不好，则诊断不准确。同时，现有方法的参数优化方法也存在效率低的问题。因此，优选的，在振动评估状态模型的训练过程中，采用萤火虫算法，将模型学习率参数以及树的最大深度参数构成一个向量，该向量代表萤火虫的位置，定义目标函数，该目标函数的输入为所述萤火虫的位置、输出为振动评估状态模型的评价标准，通过迭代计算，同步得到所述学习率参数以及所述树的最大深度参数的最优解。
具体的，如图5所示，采用萤火虫算法进行参数调优方法包括：
(S1)在可行域生成n只萤火虫，并随机初始化每个萤火虫的初始位置xi，赋予每个萤火虫的荧光值为l0，动态决策域为r0。初始化荧光消失率ρ，荧光值更新率γ，定义最大迭代次数。定义目标函数f(x)，函数的输入即为萤火虫的位置，输出为CatBoost算法的评价标准，即CatBoostClassifier的输出为模型分类准确率与单组样本评估耗时，即CatBoostClassifier的输出为模型分类准确率与单组样本评估耗时。
(S2)按下式计算萤火虫在t时刻的荧光值li(t),i＝1,2,3,…,n。
li(t)＝(1-ρ)li(t-1)+γf(xi(t))
(S3)每只萤火虫在其动态决策域ri(t+1)内，选择荧光值比自己高的萤火虫单体组成其邻域集合Ni(t)，按下式计算萤火虫i向其邻域内每只萤火虫j移动的概率pij(t)。
Figure BDA0002500632310000131
(S4)每只萤火虫根据概率进行移动，最佳位置上的萤火虫随机移动，更新每只萤火虫的位置xi(t)。
(S5)按S1中的公式重新计算每只萤火虫的荧光值，当满足最大迭代次数时，则最亮的萤火虫位置为该次搜索的最优解，否则返回步骤(S3)。
(S6)输出所有的个体最优解，并比较所有个体最优解，得到全局最优解。
图6是本实施例提供的设备健康状态分类，包括健康、亚健康、危险预警、高危报警等几类。
影响c-CatBoost/CatBoost算法性能的关键参数有学习率learnning_rate和树的最大深度depth，这两个参数具体的影响随着数据的不同而有差异，为了让c-CatBoost/CatBoost进行健康评估与预测时对不同的数据能自动调节参数，采用基于萤火虫算法优化c-CatBoost/CatBoost模型参数的方法，达到了在不同数据情况下，c-CatBoost/CatBoost模型能自动匹配出最佳的训练参数的目的，提高了c-CatBoost/CatBoost评估与预测算法的适应性。另外，使用FA(Firefly Algorithm，萤火虫算法)对c-CatBoost/CatBoost模型的2个关键参数：学习率learnning_rate和树的最大深度depth进行优化，同时得到最优的2个关键参数，而不是逐个参数进行优化，提高了优化效率。
优选的，如图2所示，本方法加入基于概率密度的过滤器，对CatBoost模型的输出(评估状态向量)进行过滤，之后进行加权平均，并利用补偿因子对CatBoost模型的经过过滤并加权平均后的输出进行修正，构成c-CatBoost模型。
具体的，如图7所示，上述将评估状态向量中各评估状态对应的概率密度加权平均之前，根据评估状态向量中每种评估状态的概率密度以及模型诊断误差率，从评估状态向量中过滤掉部分评估状态及其对应的数据样本条数，得到新的评估状态向量。
具体的，过滤规则为当某种评估状态下的数据样本条数不大于总数据样本条数的万分之一时，则将该种评估状态下的结果认定为诊断错误，并剔除。
优选的，上述采用评估补偿因子补偿所述加权平均的结果，具体为：将评估补偿因子与加权平均的结果相加，以进行修正。
优选的，在加权平均中，每个评估状态对应的权重为：评估状态向量中该种评估状态的数据样本条数与总数据样本条数的比值；或者，采用基于模糊隶属度的加权平均法确定。
综上，本实施例方法在不同时间粒度下对设备的多个执行机构进行数据采集，获得采集周期为秒级的温度数据与采样周期为毫秒级的振动数据，接着可分别采用基于中值滤波的滑动窗口算法和局部异常因子算法对设备温度数据与振动数据进行数据清洗；对待评估设备的振动信号数据进行局部均值分解，得到特征数据，构建原始输入样本集；基于专家知识建立设备温度数据机理模型，通过机理模型计算补偿因子，利用补偿因子，并可加入基于概率密度的过滤器，构建c-CatBoost模型；然后，采用经过训练和优化后的c-CatBoost模型，进行设备健康评估，得到健康评估值；最后根据获得的历史健康评估值，进行设备未来健康预测，得到评估与预测结果。进一步的，可采用萤火虫算法，同时优化c-CatBoost模型和CatBoost模型的学习率和树的最大深度两个关键参数，分别提高设备健康评估精度和健康预测准确性，通过本实施例方法对设备健康状态的量化评估，为设备预测性维护可以提供指导性建议。
为了更好的说明本发明评估方法，现举例如下：
如图8所示，采用上述评估方法进行设备健康评估，其中，如图9所示，在同一时刻，采集设备多点测量的振动数据和温度数据，将设备电机、传动机构、执行机构等多点测量的振动数据和温度数据联合起来，通过将不同采集周期时间粒度的数据组成起来，既有SCADA***中的秒级温度数据，又有采集频率为1KHz～10KHz的振动数据，进一步基于本实施例方法，进行设备健康评估和预测。
图9的示例设备为高温风机，作为水泥生产中的关键设备，对于其运行状况的判断具有非常重要的意义。其中，测点1为电机非驱动端，测点2为电机驱动端，测点3为风机驱动端，测点4为风机非驱动端。其中，测点1和测点2之间为高温风机的电机，测点2和测点3之间为高温风机的传动机构，测点3和测点4之间为高温风机的执行机构(风叶)。
给高温风机的4个测点部署振动传感器，为全面体现风机对应部位的振动情况，每个测点有采集3个方向的振动数据。
温度数据如表1所示：
表1中控报表中与高温风机性能有关的参数
Figure BDA0002500632310000161
定义设备的健康度包括：A级、B级、C级、D级，分别对应健康、亚健康、危险预警、高危报警。
其中：A级＝新交付状态；
B级＝长期运行状态(长期连续运行)；
C级＝不宜连续运行(短期连续运行)；
D级＝振动剧烈，设备可能随时会损坏。
根据4个测点数据的，采用本实施例方法，进行设备健康评估。
例如健康评估结果为C级时，如果评估具体定位在测点2和测点3，则需要检查或更新联轴器、电机安装螺钉是否可靠，有无松动情况。
实施例二
一种设备健康评估***，包括：
数据采集与处理模块，用于执行如上实施例一所述的一种设备健康评估方法中的步骤110；补偿因子计算模块，用于基于所述数据采集与处理模块得到的所有温度数据，执行如上实施例一所述的一种设备健康评估方法中的步骤120；设备健康评估模型，用于基于所述数据采集与处理模块得到的所有振动数据以及所述补偿因子计算模块得到的评估补偿因子，执行如上实施例一所述的一种设备健康评估方法中的步骤130。相关技术方案同实施例一，在此不再赘述。
需要说明的是，数据采集与处理模型可以对温度数据进行清洗去燥，以传输至补偿因子计算模块进行补偿因子计算，同时可以对振动数据进行清洗去燥和特征提取，以传输至设备健康评估模型进行评估状态向量计算。
本实施例***包括设备健康评估模型，其在数据采集与处理模块和补偿因子计算模块的辅助下实现数据与模型驱动的设备健康评估，由于单采用振动数据对设备健康进行评估，忽略了温度对设备健康的影响，使得评估结果存在偏差，需要采用温度数据对其进行补偿，本发明设备健康评估模型采用评估补偿因子c对振动评估状态模型的输出进行基于概率密度的加权平均与补偿，能够解决现有设备健康评估方法对设备关键执行机构的工作温度变化具有较强滞后性的问题，提高设备健康评估的准确性。另外，数据采集与处理模块从时间与空间两个视角下对设备多个监测点分别进行多个不同时刻的数据采集，采集的数据更加全面的反映设备的运行状况，进一步提高健康评估准确性。采用上述***有效提高了设备健康评估的准确性。
实施例三
一种设备健康预测方法，采用如上实施例一所述的一种设备健康评估方法，对待预测设备进行多次健康评估，基于所述多次健康评估的结果对所述待预测设备进行健康预测。相关技术方案同实施例一，在此不再赘述。
采用上述设备健康评估方法，保证用于健康预测的结果的准确性，进而提高设备健康预测的精确性。
实施例四
一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现如上实施例一所述的一种设备健康评估方法。
相关技术方案同实施例，在此不再赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种设备健康评估方法，其特征在于，包括：
S1、在各振动采集时刻同步采集待评估设备上不同振动采集位置的振动数据，并在各温度采集时刻同步采集该设备上不同温度采集位置的温度数据；
S2、对所有所述温度数据进行均值计算，计算结果作为评估补偿因子；
S3、基于所有所述振动数据，采用已训练的振动评估状态模型，评估得到由各评估状态下的数据样本条数所构成的评估状态向量，将所述评估状态向量中各评估状态对应的概率密度之间加权平均，并采用所述评估补偿因子补偿所述加权平均的结果，得到评估值，完成设备健康评估；
所述S2包括：
对每个温度采集位置下由所有温度采集时刻采集构成的一组温度数据进行标准化处理，其中，将该组温度数据中小于标准值的温度数据转换为0、大于报警值的温度数据转换为1以及介于所述标准值和所述报警值之间的温度数据转换为第一差值与第二差值的比值，所述第一差值为该温度数据和所述标准值的差值，所述第二差值为所述标准值和所述报警值的差值；
对每个温度采集时刻下各温度采集位置的所述标准化后的温度数据之间取平均值，得到该温度采集时刻下的温度数据补偿值；
将每个温度采集时刻下的所述温度数据补偿值与该温度采集时刻下的建议补偿值相乘，并取各该乘积间的平均值作为所述补偿因子。
2.根据权利要求1所述的一种设备健康评估方法，其特征在于，相邻两个所述温度采集时刻的时间间距为秒级，相邻两个所述振动采集时刻的时间间距为毫秒级；
所述S1还包括：对所有所述温度数据清洗去噪；对所有所述振动数据清洗以去除异常值。
3.根据权利要求1所述的一种设备健康评估方法，其特征在于，所述振动评估状态模型为通过基于设备振动数据训练集对CatBoost模型训练而得到。
4.根据权利要求1所述的一种设备健康评估方法，其特征在于，在所述振动评估状态模型的训练过程中，采用萤火虫算法，将模型学习率参数以及树的最大深度参数构成一个向量，该向量代表萤火虫的位置，定义目标函数，该目标函数的输入为所述萤火虫的位置、输出为振动评估状态模型的评价标准，通过迭代计算，同步得到所述学习率参数以及所述树的最大深度参数的最优解。
5.根据权利要求1所述的一种设备健康评估方法，其特征在于，所述S3中，将所述评估状态向量中各评估状态对应的概率密度加权平均之前，根据所述评估状态向量中每种评估状态的概率密度以及模型诊断误差率，从所述评估状态向量中过滤掉部分评估状态及其对应的数据样本条数，得到新的评估状态向量。
6.根据权利要求1所述的一种设备健康评估方法，其特征在于，所述S3中，采用所述评估补偿因子补偿所述加权平均的结果，具体为：将所述评估补偿因子与所述加权平均的结果相加，以进行修正；
在所述加权平均中，每个评估状态对应的权重为：所述评估状态向量中该种评估状态的数据样本条数与总数据样本条数的比值；或者，采用基于模糊隶属度的加权平均法确定。
7.根据权利要求1至6任一项所述的一种设备健康评估方法，其特征在于，所述基于所有振动数据，采用已训练的振动评估状态模型，得到评估状态向量，具体为：
采用局部异常因子算法对所有振动数据清洗，并采用局部均值分解算法对清洗后的振动数据进行特征提取，得到振动特征评估集；基于振动特征评估集，采用已训练的振动评估状态模型，得到评估状态向量。
8.一种设备健康评估***，其特征在于，包括：
数据采集与处理模块，用于执行如权利要求1至7任一项所述的一种设备健康评估方法中的S1；补偿因子计算模块，用于基于所述数据采集与处理模块得到的所有温度数据，执行如权利要求1至7任一项所述的一种设备健康评估方法中的S2；设备健康评估模型，用于基于所述数据采集与处理模块得到的所有振动数据以及所述补偿因子计算模块得到的评估补偿因子，执行如权利要求1至7任一项所述的一种设备健康评估方法中的S3。
9.一种设备健康预测方法，其特征在于，采用如权利要求1至7任一项所述的一种设备健康评估方法，对待预测设备进行多次健康评估，基于所述多次健康评估的结果对所述待预测设备进行健康预测。
10.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现如权利要求1至7任一项所述的一种设备健康评估方法和/或如权利要求9所述的一种设备健康预测方法。
CN202010431329.9A 2020-05-20 2020-05-20 一种设备健康评估方法、评估***以及设备健康预测方法 Active CN111639842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010431329.9A CN111639842B (zh) 2020-05-20 2020-05-20 一种设备健康评估方法、评估***以及设备健康预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010431329.9A CN111639842B (zh) 2020-05-20 2020-05-20 一种设备健康评估方法、评估***以及设备健康预测方法

Publications (2)

Publication Number Publication Date
CN111639842A CN111639842A (zh) 2020-09-08
CN111639842B true CN111639842B (zh) 2023-06-20

Family

ID=72329515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010431329.9A Active CN111639842B (zh) 2020-05-20 2020-05-20 一种设备健康评估方法、评估***以及设备健康预测方法

Country Status (1)

Country Link
CN (1) CN111639842B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113656238B (zh) * 2021-08-17 2023-07-04 北京京航计算通讯研究所 一种智能终端的ai工业应用能力测试方法和***
CN115809178B (zh) * 2022-11-29 2023-10-17 国网山东省电力公司应急管理中心 一种基于数据分析的应急装备健康状态监测预警方法和装置
CN117670260B (zh) * 2024-01-31 2024-04-30 成都三一能源环保技术有限公司 一种基于数据分析的井下钻井仪器使用周期管理***

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102032943B (zh) * 2010-12-15 2012-07-04 常州赛杰电子信息有限公司 温度补偿校准三轴振动监测及环境监测采集***
CN103645052B (zh) * 2013-12-11 2016-03-30 北京航空航天大学 一种风电机组齿轮箱远程在线状态监测及寿命评估方法
US10042341B1 (en) * 2015-02-19 2018-08-07 State Farm Mutual Automobile Insurance Company Systems and methods for monitoring building health
CN105160489B (zh) * 2015-09-28 2018-07-13 国家电网公司 一种水电机组变权劣化评估***及评估方法
CN107146004B (zh) * 2017-04-20 2018-02-16 浙江大学 一种基于数据挖掘的矿渣粉磨***健康状态识别***及方法
CN107451402A (zh) * 2017-07-13 2017-12-08 北京交通大学 一种基于告警数据分析的设备健康度评估方法及装置
CN109425483B (zh) * 2017-09-04 2021-05-25 锐电科技有限公司 基于scada和cms的风电机组运行状态评估与预测方法
CN109141881B (zh) * 2018-07-06 2020-03-31 东南大学 一种深度自编码网络的旋转机械健康评估方法
CN108984893B (zh) * 2018-07-09 2021-05-07 北京航空航天大学 一种基于梯度提升方法的趋势预测方法
JP7143148B2 (ja) * 2018-08-23 2022-09-28 三菱重工業株式会社 予測装置、予測方法、及びプログラム
CN109711636A (zh) * 2019-01-09 2019-05-03 南京工业大学 一种基于混沌萤火虫与梯度提升树模型的河流水位预测方法
CN110363339B (zh) * 2019-07-05 2022-03-08 南京简睿捷软件开发有限公司 一种基于电机参数进行预测性维护的方法与***
CN110794683A (zh) * 2019-11-27 2020-02-14 中国大唐集团科学技术研究院有限公司华中电力试验研究院 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法

Also Published As

Publication number Publication date
CN111639842A (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN111639842B (zh) 一种设备健康评估方法、评估***以及设备健康预测方法
CN111275288B (zh) 基于XGBoost的多维数据异常检测方法与装置
CN109146246B (zh) 一种基于自动编码器和贝叶斯网络的故障检测方法
CN105205288B (zh) 基于模式演化的卫星长期在轨运行状态的预测方法
WO2019080367A1 (zh) 一种机械设备健康状态评估方法
CN111178553A (zh) 一种基于arima和lstm算法的工业设备健康趋势分析方法及***
CN110685868A (zh) 一种基于改进梯度提升机的风电机组故障检测方法及装置
CN115169479A (zh) 污水处理过程远程监控方法、***及存储介质
CN112414694B (zh) 基于多元状态估计技术的设备多级异常状态识别方法及装置
CN108801950B (zh) 基于滑动窗多尺度主元分析的紫外光谱水质异常检测方法
CN114623050A (zh) 风电机组的运行数据异常检测方法、***及介质
CN113033011B (zh) 一种船舶机械健康状态评估方法及***
CN117290800B (zh) 一种基于超图注意力网络的时序异常检测方法及***
CN110570013B (zh) 一种单站位在线波周期数据的预测诊断方法
CN114358435A (zh) 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法
CN111861206A (zh) 一种基于企业电力大数据的工业行业景气指数获取方法
CN113887571A (zh) 改进svr算法的电子设备故障预测方法
CN113598784A (zh) 心律失常检测方法及***
CN113158448A (zh) 一种船舶***设备阈值的自适应计算方法
CN117471346A (zh) 用于确定退役电池模组剩余寿命和健康状态的方法及***
CN117350377A (zh) 一种基于知识图谱驱动的设备故障诊断方法及装置
CN116070669B (zh) 一种基于改进深度置信网络的车间能耗预测方法与管理***
CN116933003A (zh) 基于DaNet的无人机发动机的剩余使用寿命预测方法
CN116070368A (zh) 一种海上风电机组高速轴承剩余寿命预测方法
CN115828744A (zh) 一种白光发光二极管故障在线诊断与寿命预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant